-
Die vorliegende Erfindung betrifft ein Fortbewegungsmittel, ein Fahrerassistenzsystem sowie ein Verfahren zur Bestimmung einer kognitiven Beschäftigung eines Führers eines Fortbewegungsmittels. Insbesondere betrifft die vorliegende Erfindung ein Verfahren zur Ableitung sensorisch schlecht bzw. überhaupt nicht ermittelbarer Beschäftigungen eines Fahrers und eine automatische Einleitung von Maßnahmen zur Unterstützung des Fahrers.
-
Moderne Ansätze zur Unterstützung eines Führers (nachfolgend „Fahrer”) eines Fortbewegungsmittels (nachfolgend „Fahrzeug”) zielen zunehmend darauf ab, die Situation, in der sich der Fahrer befindet, sowie seinen Gesundheitszustand zu ermitteln, um auf Basis einer derart verfeinerten Datenbasis bestmöglich Maßnahmen einleiten zu können, sofern dies erforderlich erscheint. In diesem Zusammenhang beschreibt [Bruce Mehler, Bryan Reimer, Nan Zhao, and Coughlin Joseph F. Literature review on the relationship between cognitive workload and driving safety, 2011] die Induktion durch standardisierte Nebenaufgaben z. B. N-Back-Task und Validierung über Herzraten-Messung mit Klebeelektroden zur Messung einer Arbeitsbelastung (engl. „Workload”) beim Autofahren. [Yan Yang. The effects of Increased Workload on Driving Performance and Visual Behaviour. 2011] befasst sich mit dem Begriff der Fahr-Performance inklusive einer entsprechenden Messmethodik. Die vorgeschlagene Messung der Fahr-Performance orientiert sich an der Güte der Erfüllung der Bahnführungsaufgabe sowie weiterer, für das sichere Manövrieren nötiger Parameter.
-
Im Stand der Technik wird die Workload des Fahrers in Korrelation mit dem Autofahren eingehend untersucht. Insbesondere die Herz Rate und Herzratenvariabilität sind Indikatoren für die aktuelle Workload. Gemäß [W. Hajek, I. Gapanova, K. H Fleischer, and J. Krems. Workload-adaptive cruise control: A new generation of advanced driver assistance systems. Transportation Research Part F: Traffic Psychology and Behaviour, 20: 108–120, 2013] nutzt der Autofahrer bei steigender Beanspruchung Kompensationsmechanismen, um den an ihn gestellten Anforderungen gerecht zu werden. Diese Kompensation bedeutet in Bezug auf das Führen des Fahrzeugs eine Vergrößerung von Sicherheitsreserven bis hin zu einer signifikant schlechteren Fahr-Performance. Arbeiten, welche sich mit der visuellen Aufmerksamkeit auf Basis von Blickdaten beschäftigt haben, haben bisher vorwiegend Blickabwendung vom relevanten Verkehrsgeschehen untersucht, siehe [Kristie Young and Micheal Regan. Driver distraction: A review of the literature. Australasian College of Road Safety, pages 379–405, 2007] [Barbara Metz. Worauf achtet der Fahrer? Steuerung der Aufmerksamkeit beim Fahren mit visuellen Nebenaufgaben. Würzburg. 2009] und [Benjamin Trefflich. Videogestützte Überwachung der Fahreraufmerksamkeit und Adaption von Fahrerassistenzsystemen. 2010]. Entsprechend [Robert Desimone and John Duncan. Neural mechanisms of selective visual attention. Annu. Rev. Neurosci, (18): 193–222, 1995] hat die visuelle Aufmerksamkeit jedoch primär zwei Engpässe. Diese bestehen in einer limitierten Verarbeitungskapazität und in einer selektiven Informationsauswahl. Entsprechend konkurrieren zeitgleiche Stimuli dabei, vom Fahrer verarbeitet zu werden. Demnach ist es möglich, dass die visuelle Aufmerksamkeit abnimmt, obwohl der Blick dauerhaft auf die Straße und das Verkehrsgeschehen geachtet ist. Die Selektion der relevanten, visuellen Reize ist daher stark von den freien kognitiven Kapazitäten abhängig.
-
Im Stand er Technik bestehen keine Vorschläge für eine Methode, die es ermöglicht zu bestimmen, ob ein Fahrer aufmerksam Auto fährt oder nicht. Dies führt dazu, dass einem Assistenzsystem keine Informationen darüber zur Verfügung stehen, wie aufmerksam der Fahrer aktuell tatsächlich ist. Entsprechend muss das Assistenzsystem bezüglich der Aufmerksamkeit von heuristischen Annahmen ausgehen, die zwar im Mittel zu brauchbaren Assistenzmaßnahmen führen können, jedoch bei aufmerksamen Fahrern unweigerlich auch zu Falschwarnungen führen. Infolge dessen werden insbesondere aufmerksame Fahrer durch die Aktionen des Fahrerassistenzsystems bevormundet, was zu einer verringerten Akzeptanz durch den Fahrer führt. Darüber hinaus kann es passieren, dass einem Fahrer viel zu spät assistiert wird, weil er viel unaufmerksamer ist, als es das (defensive) Assistenzsystem annimmt. In schlimmster Konsequenz lässt sich ein Unfall in diesem Fall nicht mehr vermeiden. Für eine visuell aufmerksame Fahrweise müssen wie oben beschrieben gleich zwei Bedingungen erfüllt sein. Ein Parameter der visuellen Aufmerksamkeit ist für das Fahrerassistenzsystem besonders interessant, da mit Hilfe eines Aufmerksamkeits-Index Warnstrategien und Warnzeitpunkte individuell und situativ an die Bedürfnisse angepasst werden können. Die Untersuchung der visuellen Aufmerksamkeit auf die Fahraufgabe und die Korrelation mit kognitiver Workload ist bislang nicht untersucht. Somit ist derzeit nicht beobachtbar, ob ein Fahrer nur auf die Straße starrt oder tatsächlich seinem Umfeld die erforderliche Aufmerksamkeit entgegenbringt.
-
Workload allein kann sowohl bei hoher Aufmerksamkeit auf die Fahraufgabe aufgrund von komplexen Verkehrssituationen auftreten, als auch aufgrund von beanspruchenden Nebenaufgaben entstehen. Der Parameter „Workload” ist also alleine für einen Aufmerksamkeits-Index nicht ausreichend. Überdies kann die Fahr-Performance alleine aufgrund von schlechten Straßenbedingungen sinken und somit keine direkte Messgröße der Aufmerksamkeit darstellen. Die Straßenbedingungen können auch als „Fahrzeug- oder Verkehrssituation” verstanden werden und kann durch eine Anzahl zu verarbeitender Informationen des Umfeldes pro Zeiteinheit charakterisiert werden.
-
Es ist eine Aufgabe der vorliegenden Erfindung, die vorstehend identifizierten Nachteile und ungelösten Probleme des Standes der Technik zu verringern.
-
Die vorstehend identifizierte Aufgabe wird durch ein Verfahren zur Bestimmung einer kognitiven Beschäftigung eines Führers eines Fortbewegungsmittels gelöst. Hierbei wird in einem ersten Schritt eine Kenngröße für eine Beanspruchung des Fahrers aufgrund einer Fahrsituation ermittelt. Die Kenngröße charakterisiert also die Fahrsituation (z. B. Verkehrssituation) dahingehend, wie herausfordernd diese für den Fahrer ist. Hierzu können beispielsweise Signale von Umgebungssensoren ausgewertet werden und die darin enthaltenen Verkehrsteilnehmer bezüglich Abstand, Position, Anzahl, etc. ausgewertet werden. In einem zweiten Schritt wird eine Kenngröße für eine Beanspruchung des Fahrers durch fahrfremde Tätigkeiten ermittelt. Diese Tätigkeiten sind nicht direkt zur Fahrzeugführung erforderlich und können der Unterhaltung (z. B. Zuhören in einem Gespräch, Konsumieren von Multimediainhalten, etc.) dienen. Die Kenngröße kann beispielsweise mittels Sensoren im Fahrzeuginnenraum oder direkt durch Interaktion des Fahrers mit Anwenderschnittstellen erhoben werden. Zusätzlich wird erfindungsgemäß ein von einem vordefinierten Führungsverhalten („Fahrzeugführungsverhalten”) abweichendes Fahrzeugführungsverhalten des Fahrers erkannt. Mit anderen Worten wird erkannt, dass die Fahrzeugführung suboptimal durchgeführt wird und daraus ggf. ein Handlungsbedarf für Fahrerassistenzsysteme entsteht. Das Erkennen des Fahrzeugführungsverhaltens kann ebenfalls ein Ermitteln einer entsprechenden Kenngröße für die Güte eines Fahrzeugführungsverhaltens umfassen. Auf Basis der vorstehend genannten Informationen bzw. des erkannten abweichenden Führungsverhaltens kann erfindungsgemäß eine erhöhte kognitive Beschäftigung des Fahrers erkannt werden. Hierbei kann eine Kenngröße für das aktuelle Aufmerksamkeitspotenzial des Fahrers verwendet werden und dieses Aufmerksamkeitspotenzial mit den zuvor ermittelten Kenngrößen und anderen Informationen verglichen werden. Auf Grundlage der Kenngrößen kann eine aktuelle Beanspruchung des Fahrers ermittelt werden, welche eine tatsächlich dem Fahrer abverlangte Aufmerksamkeit modellieren kann. Diese kann vom zur Verfügung stehenden Aufmerksamkeitspotenzial des Fahrers abgezogen werden. Diese ermittelte Differenz kann als kognitive Beschäftigung des Fahrers aufgefasst werden, welche sensorisch nicht direkt erfasst werden kann. In Abhängigkeit der erkannten kognitiven Beschäftigung des Fahrers kann eine besonders geeignete Maßnahme ergriffen werden, um den Fahrer beispielsweise aus einer mentalen Beschäftigung mit nicht durch das aktuelle Aufmerksamkeitspotenzial gedeckten Aufgaben zu holen beziehungsweise herauszuführt. Im Ergebnis können Maßnahmen zur Erhöhung der Fahrsicherheit bezüglich der tatsächlichen Ursache für eine verminderte Fahr-Performance eingeleitet werden.
-
Die Unteransprüche zeigen bevorzugte Weiterbildungen der Erfindung.
-
Das Ermitteln der Kenngröße für die Beanspruchung des Fahrers aufgrund einer Situations des Fortbewegungsmittels („Fahrsituation”) kann beispielsweise ein Auswerten von Umgebungssensoren erfolgen, welche zur Detektion von anderen Verkehrsteilnehmern und statischen Objekten im Fahrzeugumfeld vorgesehen sind. Alternativ oder zusätzlich können digitale Informationen (Kartenmaterial o. ä.) verwendet werden, welche Aufschluss über einen Schwierigkeitsgrad einer aktuellen Verkehrssituation (Kreuzung mit vielen Einmündungen, Linksabbiegevorhaben o. ä.) geben. Teilweise werden solche Informationen üblicherweise durch Navigationssysteme in digitaler Form bereitgehalten und können erfindungsgemäß unabhängig von einem etwaigen Navigationsvorhaben verwendet werden. Eine weitere Möglichkeit zur Ermittlung der Kenngröße kann die Auswertung von Informationen bezüglich einer Vertrautheit des Fahrers mit der Verkehrssituation bieten. Mit anderen Worten wird ermittelt, ob der Fahrer die aktuelle Position bereits zu einem früheren Zeitpunkt einmal bereist hat. Auch die Wahl des vormals verwendeten Verkehrsmittels, die Fahrtrichtung und damaligen Umstände (z. B. andere Verkehrsteilnehmer) können einzeln oder in ihrer Gesamtheit ausgewertet und der ermittelten Kenngröße zugrunde gelegt werden. Die Informationen können beispielsweise durch das Navigationssystem bereitgestellt werden, in welcher eine Heimatadresse, eine Arbeitsadresse o. ä. darüber Aufschluss geben, wie weit der Fahrer sich aktuell von vertrauten Gebieten entfernt hat. Zusätzlich können Informationen aus einem tragbaren mobilen Anwenderendgerät (z. B. Mobiltelefon, PDA, Tablet, o. ä.) verwendet werden, welche ebenfalls zuvor besuchte Ziele und vergangene Navigationsvorhaben bereithalten. Mitunter können auch über das Internet verfügbare Anwenderprofile und besuchte Lokalitäten, in welche der Anwender bereits zu einem früheren Zeitpunkt „eingecheckt” hatte, verwendet werden. Sofern vom Fahrzeug selbst zu früheren Zeitpunkten bereiste Orte überprüft werden, kann sichergestellt werden, dass diese durch den aktuellen Fahrer bereist worden sind, wozu Informationen bezüglich des aktuellen Fahrers aus einem Fahrzeugschlüssel oder mittels einer Innenraumkamera zur Fahrererkennung erhoben werden können. Alternativ oder zusätzlich kann die Kenngröße auf Basis eines automatisch ermittelten Verkehrsaufkommens (z. B. mit Hilfe einer Verkehrsflussanalyse, auf Basis von Verkehrsfunkinformationen und/oder einer Datenbank, welche über das Internet zugegriffen wird) ermittelt werden. Alternativ oder zusätzlich können Wetterbedingungen Eingang in die Kenngröße haben, da beispielsweise eine trockene Straße, welche beispielsweise über einen Regensensor erkannt werden kann, geeignete Lichtbedingungen, welche beispielsweise über einen Lichtsensor erkannt werden können und gemäßigte Temperaturen, welche über einen Temperatursensor des Fortbewegungsmittels erkannt werden können, die sichere Fortbewegung des Fortbewegungsmittels wahrscheinlicher machen und die Kenngröße vorteilhaft beeinflussen. Selbstverständlich können die vorgenannten Informationen auch über eine Wetterdatenbank, auf welche beispielsweise mittels eines Mobiltelefons – zumindest jedoch internetbasiert – zugegriffen wird, bezogen werden. Alternativ oder zusätzlich kann ein aktueller Betriebszustand von Fahrerassistenzsystemen beziehungsweise vollautomatisierten Fahrfunktionen (Fahrroboter) ausgewertet werden und Basis für die Ermittlung der Kenngröße sein. Schließlich können auch Informationen bezüglich der Art der Fahrt verwendet werden, um die Kenngröße für die Beanspruchung des Fahrers aufgrund einer Fahrsituation zu ermitteln. Befindet sich der Fahrer beispielsweise auf der Fahrt zur Arbeit, kann angenommen werden, dass die Wahrnehmung der Fahraufgabe routiniert und weitgehend erfahrungsbasiert erfolgt. Hingegen können Fahrten in den Urlaub (beziehungsweise Fernreisen mit anderem Hintergrund) zum Anlass genommen werden, eine besonders geringe Routine und Unerfahrenheit des Fahrers mit dem Verkehrsgeschehen und den Verkehrsregeln anzunehmen. Auch diese Informationen können vom Navigationssystem beziehungsweise aus einer Datenbank repräsentierend zu früheren Zeitpunkten erfolgte Fahrten abgeleitet werden.
-
Die Kenngröße für eine Beanspruchung des Fahrers durch fahrfremde Tätigkeiten kann beispielsweise die Auswertung eines Sitzbelegungssensors (z. B. des Beifahrers oder der Rücksitzbank) umfassen. Dabei kann bei einer erhöhten Personenanzahl im Fahrzeug davon ausgegangen werden, dass Gespräche mit den übrigen Insassen und Wahrung der Interessen derselben den Fahrer beanspruchen. Auch der Betriebszustand eines mit dem Fahrzeug informationstechnisch gekoppelten Mobiltelefons oder eines anderen Anwenderendgerätes kann ausgewertet und zur Ermittlung fahrfremder Tätigkeiten herangezogen werden. Dies kann beispielsweise über eine Drahtlos-Datenverbindung mit dem jeweiligen Endgerät und/oder unter Verwendung von Innenraumsensoren erfolgen. In entsprechender Weise können aktive Telefonate die Kenngröße beeinflussen. Mitunter werden auch Vitaldaten (z. B. die Herz Rate/der Hautleitwert, die Lidschlagfrequenz) sensorisch ermittelt und können mit einer Referenz verglichen werden, um die Kenngröße zu ermitteln. Schließlich können auch Informationen über die Art der Fahrt, wie dies in Verbindung mit der Ermittlung der Kenngröße für die Beanspruchung des Fahrers aufgrund einer Fahrsituation beschrieben worden ist, verwendet werden, um die Kenngröße für eine Beanspruchung des Fahrers durch fahrfremde Tätigkeiten zu ermitteln. Beispielsweise kann angenommen werden, dass eine veränderte und insbesondere ungewohnte Umgebung den Fahrer mehr ablenkt, als bekannte Umgebungen auf Routinerouten.
-
Das Erkennen eines von einem vordefinierten Fahrzeugführungsverhalten abweichenden Fahrzeugführungsverhaltens kann ein Auswerten einer Interaktion des Fahrers mit dem Fahrzeug umfassen. Beispielsweise können suboptimal ausgeführte Schalt-, Lenk- und Kupplungsvorgänge darauf hinweisen, dass der Fahrer mit der Bedienung des Fahrzeugs aktuell überfordert ist. Entsprechende Schlüsse können gezogen werden, wenn wiederkehrende Interaktionen mit dem Fahrzeug ohne erkennbaren Nutzen (z. B. Aktivieren des Scheibenwischers in Abwesenheit von Niederschlag) kategorisiert werden. Alternativ oder zusätzlich kann mindestens ein Sensor eines Fahrerassistenzsystems (z. B. zur Längs- und/oder Querführung) ausgewertet werden, um das suboptimale Fahrzeugführungsverhalten zu erkennen. Beispielsweise kann das nicht angezeigte Wechseln einer Fahrspur, ein dichtes Auffahren auf einen Vordermann, eine überhöhte Geschwindigkeit, eine unangemessen eingestellte Lichtanlage des Fahrzeugs und ausgewertet erfasst werden. Geeignete Sensoren können auch als Umgebungssensoren oder Umfeldsensoren bezeichnet werden. Entsprechend können auch Daten mindestens eines Innenraumsensors ausgewertet werden, wobei beispielsweise eine optische Erfassung von Blick- und/oder Kopfposition des Fahrers durch eine Innenraumkamera ermittelt und einer Auswertung zugeführt werden kann. In Abhängigkeit eines aktuell hochrelevanten Bereiches innerhalb des Verkehrsgeschehens kann ermittelt werden, ob der Fahrer sein Augenmerk bestmöglich einsetzt oder die aktuelle Verkehrssituation verkennt.
-
Bevorzugt kann eine kognitive Grundlast ermittelt werden, welche der Fahrer durch die Fahrzeugführungsaufgabe erfährt. Hierbei können beispielsweise die folgenden Informationen berücksichtigt werden, welche unabhängig vom Verkehrsgeschehen für den Aufmerksamkeitsbedarf des Fahrers mitverantwortlich sind.
- • Ist der Fahrer ausgeschlafen oder hat er ein Schlafdefizit?
- • Ist der Fahrer mit dem Fahrzeug vertraut oder nicht?
- • Hat der Fahrer eine gute Sicht auf das Fahrzeugumfeld oder ist sein Blick durch verschmutzte Scheiben, Personen und Ladung im Innenraum eingeschränkt?
- • Führen ein Beladungszustand, ein Anhänger, eine Dachbox, Fahrräder, Skier und/oder andere Zuladungsbestandteile zu einem veränderten oder gar verschlechterten Fahrverhalten?
-
Sämtliche vorgenannten Umstände können einzeln und/oder in Kombination miteinander zur Ermittlung der kognitiven Grundlast des Fahrers herangezogen werden.
-
Insbesondere kann die kognitive Grundlast aufgrund solcher Informationen ermittelt werden, welche einen Zeitdruck des Fahrers nahelegen. Solche Informationen können beispielsweise Kalenderinformationen über anstehende Termine bereithalten, welche in digitaler Form vorliegen und automatisch ausgewertet werden. Alternativ oder zusätzlich können die Art der Fahrzeugführung und die Tageszeit in Abhängigkeit der gefahrenen Strecke etc. einen Zeitdruck des Fahrers anzeigen und die kognitive Grundlast des Fahrers prägen.
-
Sofern – wie vorstehend ermittelt – die Ermittlung der Kenngröße für die kognitive Beschäftigung des Fahrers erfolgt ist, können besonders geeignete Maßnahmen ergriffen werden, um den Fahrer zu entlasten und/oder die Verkehrssicherheit zu erhöhen. Beispielsweise kann eine Vorgabe für einen Soll-Abstand eines Systems zur Unterstützung einer Längs- und/oder Querführung vergrößert werden, sofern aktuell eine erhöhte Beanspruchung des Fahrers ermittelt worden ist. Insbesondere kann ein automatisches Abstandshaltesystem zur Unterstützung des Fahrers oder zur autonomen Fahrzeugführung aktiviert werden oder die Aktivierung zumindest angeboten werden. Alternativ oder zusätzlich kann ein Unterstützungsgrad von Fahrerassistenzfunktionen zur Reduktion kritischer Situationen angepasst werden. Beispielsweise können Warnschwellen zur Erzeugung optischer und/oder akustischer und/oder haptischer Hinweise an den Fahrer gesenkt werden und der Ausgabezeitpunkt der Warnung vorgezogen werden, um eine erhöhte Reaktionszeit für den Fahrer vorzuhalten. Alternativ oder zusätzlich können Hinweise an den Fahrer ergehen, welche einen kollisionsrelevanten Umgebungsbereich (z. B. durch ein akustisches Signal und/oder ein optisches Signal und/oder ein haptisches Signal) hervorheben. Hierbei kann beispielsweise auf einen Fahrradfahrer im toten Winkel hingewiesen werden, sofern eine Abbiegeabsicht des Fahrers des erfindungsgemäß ausgestatteten Fahrzeugs wahrscheinlich ist oder mittels Fahrtrichtungsanzeige kundgetan wird. Allerdings kann im einfachsten Fall auch einfach ein Hinweis an den Fahrer ausgegeben werden, mit welchem auf den Verdacht der kognitiven Tätigkeit hingewiesen wird und optional eine Aufforderung zur Einleitung einer geeigneten Maßnahme ergeht.
-
Gemäß einem zweiten Aspekt der vorliegenden Erfindung wird ein Fahrerassistenzsystem zur Bestimmung einer kognitiven Beschäftigung eines Führers eines Fortbewegungsmittels zur Lösung der eingangs genannten Aufgabe vorgeschlagen. Das Fahrerassistenzsystem umfasst Fahrsituationssensoren, Tätigkeitssensoren, Fahrzeugführungssensoren und eine Auswerteeinheit. Mittels der Fahrsituationssensoren kann eine Kenngröße für eine Beanspruchung des Fahrers aufgrund einer Fahrsituation ermittelt werden. Die Fahrsituationssensoren können Elemente einer Umfeldsensorik umfassen. Beispiele hierfür sind Radar-, Lidar-, Ultraschall- und optische Sensoren. Mittels der Tätigkeitssensoren kann eine Kenngröße für eine Beanspruchung des Fahrers durch fahrfremde Tätigkeiten ermittelt werden. Die Tätigkeitssensoren können beispielsweise ein Innenraummikrophon umfassen, welches den Geräuschpegel oder eine Unterhaltung im Fahrzeug ermitteln kann. Mittels der Fahrzeugführungssensoren kann ein von einem vordefinierten Fahrzeugführungsverhalten abweichendes Fahrzeugführungsverhalten des Fahrers ermittelt werden. Insbesondere können solche Sensoren als Fahrzeugführungssensoren verstanden werden, welche zur Ermittlung korrekturbedürftiger Fahrzeugführungsvorgänge und insbesondere zur Einleitung automatisierter Fahrmanöver (eines Fahrroboters) verwendet werden können. Die Auswerteeinheit ist eingerichtet, auf Basis der wie vorstehend ermittelten Informationen eine erhöhte kognitive Beschäftigung des Fahrers zu ermitteln. Dies kann beispielsweise eine Ermittlung einer Differenz zwischen einer Kenngröße für ein aktuelles Aufmerksamkeitspotenzial des Fahrers und einer aus den vorgenannten Kenngrößen ermittelten Kenngröße umfassen. Auf diese Weise ist das erfindungsgemäße Fahrerassistenzsystem eingerichtet, die Merkmale, Merkmalskombinationen und die sich aus diesen ergebenden Vorteile des oben beschriebenen Verfahrens in entsprechender Weise zu verwirklichen, sodass zur Vermeidung von Wiederholungen auf diese Ausführungen verwiesen wird.
-
Gemäß einem dritten Aspekt der vorliegenden Erfindung wird ein Fortbewegungsmittel vorgeschlagen, welches ein Fahrerassistenzsystem gemäß dem zweitgenannten Erfindungsaspekt aufweist. Das Fortbewegungsmittel kann beispielsweise ein PKW, ein Transporter, ein LKW, ein Motorrad, ein Luft- und/oder Wasserfahrzeug sein.
-
Die Kombination der erfindungsgemäß vorgeschlagenen Aspekte beschreibt eine neue und vielversprechende Möglichkeit, die Aufmerksamkeit auf die Fahraufgabe eines Fahrers beobachtbar zu machen. Die eingangs genannten Nachteile werden durch eine anspruchsgemäße Kombination beobachtbarer Größen behoben. Gemäß einem Aspekt dient hierzu ein Fahrermodell auf Basis von Datenfusion von Fahrer-, Fahrzeug- und Umfeld-Daten. Als Eingangsgrößen können während der Fahrt
- – Messgrößen der Fahr-Performance, insbesondere gewonnen aus Spurtreue, TTC (Stand der Technik),
- – ergänzende Messgrößen für die Workload wie insbesondere Herz Rate und
- – das Blickverhalten des Fahrers als Parameter für die visuelle Aufmerksamkeit
-
In das Modell mit einfließen. Durch diese Art der Kombination verschiedener verfügbarer Datenquellen kann bestimmt werden, ob der Fahrer auch die Fahraufgabe aufmerksam wahrnimmt oder nicht.
-
Durch die Einführung eines neuen Begriffs und der neuen Methodik, diesen Aspekt zu beobachten, können die eingangs genannten Nachteile behoben werden. Eine Kombination der anspruchsgemäßen Parameter kann in einer signifikanten Anzahl von Situationen eine Verlagerung der Aufmerksamkeit weg vom Fahrgeschehen zuverlässig detektieren. Somit ist es der Fahrerassistenz möglich, die Warnstrategien zu adaptieren und damit die Akzeptanz der Fahrerassistenzsysteme durch den Anwender zu steigern.
-
Weitere Einzelheiten, Merkmale und Vorteile der Erfindung ergeben sich aus der nachfolgenden Beschreibung und den Figuren. Es zeigen:
-
1 eine schematische Darstellung von Komponenten eines Ausführungsbeispiels eines erfindungsgemäß ausgestatteten Fortbewegungsmittels;
-
2 eine schematische Darstellung des neuen Ansatzes, unterschiedliche Kenngrößen zur Ermittlung einer kognitiven Beschäftigung eines Fahrers miteinander zu verknüpfen;
-
3 eine unter Anlehnung an das sogenannte Yerkes-Dodson-Law erstellte Grafik, welche den Zusammenhang zwischen der Arbeitsbelastung („Workload”) des Fahrers und der Fahr-Performance veranschaulicht; und
-
4 ein Flussdiagramm veranschaulichend Schritte eines Ausführungsbeispiels eines erfindungsgemäßen Verfahrens zur Bestimmung einer kognitiven Beschäftigung eines Führers eines Fortbewegungsmittels.
-
1 zeigt einen PKW 10 als Fortbewegungsmittel, in welchem ein Fahrer 1 und zwei Kinder 5 als Frontpassagiere unterwegs sind. Ein elektronisches Steuergerät 6 ist als Auswerteeinheit mit einer Vielzahl von Einrichtungen informationstechnisch verbunden, welche zur Ermittlung der erfindungsgemäß verwendeten Kenngrößen dienen. Ein Ultraschallsensor 2 ist als Umgebungssensor beziehungsweise Fahrsituationssensor ebenso wie eine optische Frontkamera 9 in Fahrtrichtung ausgerichtet und zur Erfassung des Verkehrsgeschehens und Meldung desselben an das elektronische Steuergerät 6 vorgesehen. Ein Temperatursensor 13 ist eingerichtet, die Außentemperatur zur Ermittlung der Straßenbedingungen aufzunehmen. Ein Regensensor 14 meldet etwaigen Niederschlag. Ein Gaspedal 7 ist eingerichtet, das Fahrzeugführungsverhalten des Fahrers 1 zu ermitteln. Zudem sind Hautleitwertsensoren 8 am Lenkrad des PWKs 10 angebracht und ebenso wie eine Innenraumkamera 11 zur Überwachung von Vitalfunktionen des Fahrers 1 vorgesehen. Sitzbelegungssensoren 3 können die Wahrscheinlichkeit für eine Ablenkung des Fahrers durch Insassen des PKWs 10 ermitteln. Smartphones 4 sind als Beispiele für Infotainment-Geräte beziehungsweise mitgebrachte mobile Anwenderendgeräte dargestellt, welche zusätzliches fahraufgabenfremdes Ablenkungspotenzial darstellen. Ein Datenspeicher 12 ist mit dem elektronischen Steuergerät 6 verbunden, um Programmcode eines erfindungsgemäßen Verfahrens sowie Referenzwerte für ermittelte Sensorwerte bereitzuhalten.
-
2 zeigt einen neuen Ansatz, das Aufmerksamkeitspotenzial 15 eines Fahrers als Kontinuum zu betrachten, dessen Maximum 23 variabel und zu diskreten Zeitpunkten unbekannt ist. Im automobilen Kontext lässt sich die dem Fahrer insgesamt abverlangte Aufmerksamkeit grob in vier Blöcke, deren Länge das jeweilige Aufmerksamkeitsmaß repräsentiert, teilen, von welchen ein erster Block 16 die sogenannte Grundlast repräsentiert, welche unabhängig von der aktuellen Fahraufgabe und Verkehrssituation ständig benötigt wird. Diese Grundlast verändert sich während einer Fahrt nicht. Die übrige Aufmerksamkeit kann sich auf die drei verbliebenen Blöcke verteilen, wobei die Verteilung kontinuierlich schwanken kann und durch den Fahrer unterbewusst gesteuert wird. Block 17 repräsentiert die Aufmerksamkeit auf die Fahraufgabe, welche für die Fahrerassistenzsysteme von besonderem Interesse ist. Die Blöcke 18, 19 repräsentieren die Aufmerksamkeit für fahrfremde Tätigkeiten (auch „Zuhören” beziehungsweise „Sprechen”), wobei Block 18 die motorische/visuelle Aufmerksamkeit und Block 19 die kognitive Aufmerksamkeit repräsentiert. Die Unterteilung der Aufmerksamkeit für fahrfremde Tätigkeiten in motorisch/visuelle und kognitive Anteile ist von besonderem Interesse, da motorisch /visuelle Aufmerksamkeit auf fahrfremde Tätigkeiten auf andere Art messbar ist als die kognitive Komponente. Durch Blickabwendungszeiten oder Bedienzeiten von Infotainment-Systemen im Fahrzeug kann die motorisch/visuelle Aufmerksamkeit auf fahrfremde Aufgaben bereits heute sehr gut erfasst werden. Die kognitive Komponente („in Gedanken versunken sein”, „in Gedanken bereits woanders sein”) hingegen ist nur indirekt über die mentale Workload messbar. Die Grafik zeigt weiter, wie die Aufmerksamkeit auf die Fahraufgabe beobachtbar wird, wenn die messbare Zuteilung von Aufmerksamkeit auf fahrfremde Tätigkeiten zugrunde gelegt wird. Diese Information, fusioniert mit der aktuellen Fahr-Performance, liefert einen entscheidenden Mehrwert für Fahrerassistenzsysteme.
-
3 beschreibt den Zusammenhang zwischen der Arbeitsbelastung 24 des Fahrers („Driver Workload”) und der Fahr-Performance 25 eines Fahrers („Drivers Performance”). Die Arbeitsbelastung 24 gliedert sich in drei Bereiche, von welchen der unterste Bereich 26 einer Unterbeanspruchung, der oberste Bereich 27 einer Überbeanspruchung und ein zwischen den vorgenannten Bereichen 26, 27 liegender Bereich 22 einer idealen, mittleren Beanspruchung entspricht. Entsprechend hat der Graph 20, der im Wesentlichen einer nach unten offenen Parabel entspricht und die Fahr-Performance 25 repräsentiert, im mittleren Bereich 22 sein Maximum. Ein zweiter Graph 21, der einer nach oben offenen Parabel entspricht, hat in diesem Bereich sein Minimum und beschreibt die Notwendigkeit von Fahrerassistenz. Im Ergebnis führt also eine mittlere Beanspruchung des Fahrers zu einer Vermeidung von Unter- sowie Überbeanspruchung und auch ohne Fahrerassistenz zur bestmöglichen Fahr-Performance 25.
-
4 zeigt Schritte eines Ausführungsbeispiels eines erfindungsgemäßen Verfahrens zur Bestimmung einer kognitiven Beschäftigung eines Führers eines Fortbewegungsmittels. In Schritt 100 wird eine kognitive Grundlast ermittelt, welche der Fahrer durch die Fahrzeugführungsaufgabe erfährt. Hierbei wird berücksichtigt, ob der Fahrer mit dem Fahrzeug vertraut ist und welche grundlegenden Umstände die Aufmerksamkeit des Fahrers beanspruchen. In Schritt 200 wird eine Kenngröße für eine Beanspruchung des Fahrers aufgrund einer Fahrsituation ermittelt, wobei insbesondere die Verkehrssituation – ermittelt durch Umgebungssensoren o. ä. – Einfluss nimmt. In Schritt 300 wird eine Kenngröße für eine Beanspruchung des Fahrers durch fahrfremde Tätigkeiten ermittelt. Dies umfasst sämtliche Tätigkeiten des Fahrers, welche nicht primär zur Wahrnehmung der Fahraufgabe erforderlich sind. In Schritt 400 wird ermittelt, dass das aktuell an den Tag gelegte Fahrzeugführungsverhalten des Fahrers von einem vordefinierten Fahrzeugführungsverhalten abweicht. Dies könnte auch als Ermittlung eines objektiven Erfordernisses einer Fahrerassistenz verstanden werden. In Schritt 500 wird eine erhöhte kognitive Beschäftigung des Fahrers auf Basis der wie vorstehend ermittelten Informationen erkannt. Hierbei wird ausgehend von einem grundsätzlich zur Verfügung stehenden Aufmerksamkeitspotenzial des Fahrers die Differenz ermittelt, welche sich durch sensorisch erfassbare Kenngrößen für Aufmerksamkeit erfordernde Tätigkeiten und Umstände ergibt und diese vom vorhandenen Aufmerksamkeitspotenzial abgezogen werden. In Abhängigkeit der kognitiven Beschäftigung des Fahrers wird in Schritt 600 ein vordefinierter Soll-Abstand eines Systems zur Unterstützung einer Längs- und Querführung des Fahrzeugs vergrößert. Zusätzlich wird in Schritt 700 ein Unterstützungsgrad weiterer Fahrerassistenz-Funktionen zur Reduktion kritischer Situationen angepasst. Schließlich werden in Schritt 800 Warnschwellen von Fahrerassistenz-Funktionen angepasst, um den Fahrer rechtzeitig und adäquat auf Handlungsbedarf hinzuweisen.
-
Bezugszeichenliste
-
- 1
- Fahrer
- 2
- Ultraschallsensor
- 3
- Sitzbelegungssensor
- 4
- Smartphone
- 5
- Front-Passagiere (Kinder)
- 6
- elektronisches Steuergerät
- 7
- Gaspedal
- 8
- Hautleitwertsensoren
- 9
- Frontkamera
- 10
- PKW
- 11
- Innenraumkamera
- 12
- Datenspeicher
- 13
- Temperatursensor
- 14
- Regensensor
- 15
- Aufmerksamkeitspotenzial
- 16
- Block repräsentierend die Grundlast
- 17
- Block repräsentierend den Aufmerksamkeitsbedarf für die Fahrzeugführung
- 18
- Block repräsentierend den Aufmerksamkeitsbedarf für motorisch/visuelle, fahrfremde Tätigkeiten
- 19
- Block repräsentierend den Aufmerksamkeitsbedarf für kognitive, fahrfremde Tätigkeiten
- 20
- Fahr-Performance
- 21
- Erfordernis Fahrerassistenz
- 22
- mittlerer Bereich der Arbeitsbelastung des Fahrers
- 23
- Maximum des Aufmerksamkeitspotenzials 15
- 24
- Arbeitsbelastung des Fahrers
- 25
- Fahr-Performance
- 26
- unterfordernder Bereich der Arbeitsbelastung
- 27
- überfordernder Bereich der Arbeitsbelastung
- 100 bis 800
- Verfahrensschritte
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Nicht-Patentliteratur
-
- Bruce Mehler, Bryan Reimer, Nan Zhao, and Coughlin Joseph F. Literature review on the relationship between cognitive workload and driving safety, 2011 [0002]
- Yan Yang. The effects of Increased Workload on Driving Performance and Visual Behaviour. 2011 [0002]
- W. Hajek, I. Gapanova, K. H Fleischer, and J. Krems. Workload-adaptive cruise control: A new generation of advanced driver assistance systems. Transportation Research Part F: Traffic Psychology and Behaviour, 20: 108–120, 2013 [0003]
- Kristie Young and Micheal Regan. Driver distraction: A review of the literature. Australasian College of Road Safety, pages 379–405, 2007 [0003]
- Barbara Metz. Worauf achtet der Fahrer? Steuerung der Aufmerksamkeit beim Fahren mit visuellen Nebenaufgaben. Würzburg. 2009 [0003]
- Benjamin Trefflich. Videogestützte Überwachung der Fahreraufmerksamkeit und Adaption von Fahrerassistenzsystemen. 2010 [0003]
- Robert Desimone and John Duncan. Neural mechanisms of selective visual attention. Annu. Rev. Neurosci, (18): 193–222, 1995 [0003]